[发明专利]一种电力负荷预测方法

权利要求书

1.一种电力负荷预测方法，其特征在于，包括如下步骤：

以0到30min内任意时长为时间间隔，采集电力负荷数据；

收集若干天内的电力负荷数据，判断若干天内的电力负荷数据是否缺失，若电力负荷数据缺失，则进行补全；

建立最小二乘支持向量机模型，训练所述最小二乘支持向量机模型；

建立容积卡尔曼滤波预测模型，训练所述容积卡尔曼滤波预测模型；

建立灰色神经网络模型，训练所述灰色神经网络模型；

利用训练好的最小二乘支持向量机模型对若干天内的电力负荷数据进行计算，得到第一预测结果；

利用训练好的容积卡尔曼滤波预测模型对若干天内的电力负荷数据进行计算，得到第二预测结果；

利用训练好的灰色神经网络模型对第一预测结果和第二预测结果进行计算，得到最终预测结果；

若电力负荷数据缺失，则进行补全包括如下步骤：

建立GABP神经网络；

利用缺失的电力负荷数据之前的电力负荷数据对GABP神经网络进行训练，得到第一GABP神经网络，利用第一GABP神经网络对缺失的电力负荷数据进行计算，得到第一补全数据；

利用缺失的电力负荷数据之后的电力负荷数据对GABP神经网络进行训练，得到第二GABP神经网络，利用第二GABP神经网络对缺失的电力负荷数据进行计算，得到第二补全数据；

建立适应度函数，利用适应度函数对第一补全数据和第二补全数据进行计算，得到第三补全数据；

建立PSO-SVR模型，并训练所述PSO-SVR模型，利用训练好的PSO-SVR模型对所述第三补全数据进行计算，得到完整的电力负荷数据。

2.根据权利要求1所述的电力负荷预测方法，其特征在于：所述建立GABP神经网络具体包括如下步骤：

建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层，隐含层的第i个神经元的输入为：

其中，w_ij表示隐含层第i个神经元与输入层第j个神经元的连接权值；θ_i表示隐含层中第i个神经元阈值；表示输入层第j个神经元的输入值，表示输入层第j个神经元的输出值，M代表输入层神经元个数；

隐含层第i个神经元输出为：其中，f(x)为传递函数；

隐含层所含神经元输出的结果与连接权值相乘后，将所有数值相加输入到输出层，所述输出层中，第k个神经元的输入为：其中，w_ki为输出层第k个神经元与隐含层第i个神经元的连接权值，表示输入层第i个神经元的输出值，θ_k表示隐含层中第k个神经元阈值；

所述输出层中将输入数值代入所述传递函数中，得到所述输出层的输出结果为

3.根据权利要求1所述的电力负荷预测方法，其特征在于：建立适应度函数，利用适应度函数对第一补全数据和第二补全数据进行计算，得到第三补全数据具体包括如下步骤：

依据适应度函数分别求解不同种群的适应度，所述适应度函数为其中，K为输出层中神经元个数，M’为输入样本数据总数，y_pi为BP神经网络的预期输出，y_oi表示BP神经网络的实际输出；

再依据以下两条公式计算个体被选中的概率p_i以及种群累计概率pp_i：

其中，M代表种群中全部个体的数量；

对种群累计概率高的群体中的个体进行随机配对，在配对个体中随机选择交叉点的位置，将两个个体的部分结构进行替换，重组而生成新的个体；

将新的个体在变异点上的基因值按照变异概率取反，所述取反为1变0，0变1，所述变异概率的取值范围在0.0001～0.1之间。

4.根据权利要求2所述的电力负荷预测方法，其特征在于：所述PSO-SVR模型为其中，y为PSO-SVR模型的输出数据，x为PSO-SVR模型的输入数据，l表示维度的总数，K(x_i，x)表示输入数据到高维特征空间的非线性映射，η_i表示第i个维度上的参数η，h表示待定常数，训练所述PSO-SVR模型为训练参数η_i和参数h。